Pagtutugma ng Propensity Score sa Pananaliksik Medikal: Isang Kumpletong Tutorial na Hakbang-hakbang (2025)

Inilathala noong Pebrero 16, 2026 | Huling na-update noong Oktubre 11, 2026

Ang pagtutugma ng propensity score sa pananaliksik medikal ay naging isa sa pinakamabisang kasangkapan para sa pagguhit ng mga hinuha ng sanhi mula sa datos ng obserbasyon. Kapag ang mga randomized controlled trial ay hindi praktikal, hindi etikal, o masyadong magastos, ang mga mananaliksik ay bumabaling sa mga pamamaraan ng propensity score upang mabawasan ang bias sa pagpili at tantiyahin ang mga kondisyon ng isang kontroladong eksperimento. Ang komprehensibong tutorial na ito ay gagabay sa iyo sa bawat hakbang ng pagpapatupad ng pagtutugma ng propensity score (PSM) sa iyong pananaliksik — mula sa disenyo ng pag-aaral hanggang sa pag-uulat na handa nang ilathala.

Sinusuri mo man ang mga elektronikong rekord ng kalusugan, malalaking administratibong database, o datos ng registry, ang pag-unawa sa pagtutugma ng propensity score sa medikal na pananaliksik ay mahalaga para makagawa ng kapani-paniwala at sinuri ng mga kapwa-tagapagsuri na makakayanan ang mahigpit na pagsusuri.

Ano ang Pagtutugma ng Iskor ng Propensidad?

Ang propensity score, na unang ipinakilala nina Rosenbaum at Rubin noong 1983, ay binibigyang kahulugan bilang ang kondisyonal na probabilidad ng pagtanggap ng isang paggamot (o pagkakalantad) na ibinigay sa isang hanay ng mga naobserbahang baseline covariate. Sa matematika, ang propensity score e(x) = P(T = 1 | X = x), kung saan ang T ay ang tagapagpahiwatig ng paggamot at ang X ay kumakatawan sa vector ng mga naobserbahang covariate.

Sa pamamagitan ng pagtutugma ng mga ginamot at hindi ginamot na mga kalahok na may magkatulad na marka ng propensidad, epektibong nakakalikha ang mga mananaliksik ng mga pseudo-randomized na grupo ng paghahambing. Binabalanse nito ang distribusyon ng mga naobserbahang confounder sa pagitan ng mga grupo, na nagbibigay-daan sa mas tumpak na pagtatantya ng mga epekto ng paggamot mula sa mga hindi randomized na datos.

Bakit Gagamitin ang Propensity Score Matching sa Pananaliksik Medikal?

Nangingibabaw ang mga obserbasyonal na pag-aaral sa larangan ng pananaliksik medikal. Ang malalaking administratibong database, electronic health records (EHRs), at mga registri ng sakit ay nagbibigay ng mayaman at totoong datos na umaakma sa mga natuklasan mula sa mga randomized controlled trials (RCTs). Gayunpaman, ang mga mapagkukunang ito ng datos ay may likas na bias sa pagpili dahil ang pagtatalaga ng paggamot ay hindi random.

Tinutugunan ng pagtutugma ng iskor ng propensidad ang pangunahing hamong ito sa pamamagitan ng ilang pangunahing bentahe:

Nabawasang confounding bias: Binalanse ng PSM ang mga naobserbahang covariate sa pagitan ng mga treatment group, ginagaya ang balanseng nakamit sa pamamagitan ng randomization. Paghawak ng high-dimensional data: Sa halip na isa-isang isaayos para sa dose-dosenang mga covariate, pinagsasama-sama ng PSM ang lahat ng nasukat na confounder sa isang scalar score. Transparent quality assessment: Hindi tulad ng regression adjustment, pinapayagan ng PSM ang mga mananaliksik na direktang i-verify na nakamit na ang covariate balance bago suriin ang mga resulta. Pagtanggap sa regulatory at peer-review: Malawakang kinikilala ang PSM ng mga regulatory agency (FDA, EMA) at mga editor ng journal bilang isang mahigpit na diskarte sa causal inference mula sa observational data.

Hakbang 1: Tukuyin ang Iyong Tanong sa Pananaliksik at Disenyo ng Pag-aaral

Bago kalkulahin ang mga marka ng propensity, dapat mong malinaw na tukuyin ang tatlong kritikal na elemento: ang iyong mga grupo ng paggamot at kontrol, pangunahin at pangalawang resulta, at ang hanay ng mga covariate bago ang paggamot para sa modelo ng propensity score.

Magsimula sa pamamagitan ng pagbuo ng isang directed acyclic graph (DAG) upang imapa ang mga ugnayang sanhi sa pagitan ng iyong mga baryabol. Ang visual tool na ito ay tumutulong na matukoy kung aling mga baryabol ang mga tunay na confounder (na nakakaapekto sa parehong pagtatalaga ng paggamot at kinalabasan), alin ang mga tagapamagitan (sa causal pathway), at alin ang mga collider (hindi dapat kundisyonin).

Dapat unahin ng iyong pagpili ng covariate ang mga baryabol na malalakas na tagahula ng resulta, kahit na mahina lamang ang kaugnayan ng mga ito sa pagtatalaga ng paggamot. Ipinakita ng pananaliksik nina Brookhart et al. (2006) na ang pagsasama ng mga naturang baryabol ay nagpapabuti sa katumpakan ng mga pagtatantya ng epekto ng paggamot nang hindi tumataas ang bias.

Hakbang 2: Tantyahin ang Iskor ng Propensidad

Ang pinakakaraniwang pamamaraan para sa pagtantya ng mga marka ng propensity ay ang logistic regression , kung saan ang binary treatment indicator ay nagsisilbing dependent variable at ang mga baseline covariate ay ang mga independent variable. Ang hinulaang probabilidad mula sa modelong ito ay nagiging propensity score ng bawat paksa.

Sa R, pinapadali ng malawakang ginagamit na pakete ng MatchIt ang prosesong ito:

# Install and load required packages
library(MatchIt)
library(cobalt)

# Estimate propensity scores and perform matching
ps_model <- matchit(
  treatment ~ age + sex + bmi + smoking_status + 
    comorbidity_score + baseline_creatinine + 
    diabetes + hypertension + prior_surgery,
  data = study_data,
  method = "nearest",
  distance = "glm",    # logistic regression (default)
  caliper = 0.2,       # caliper in SD units of logit PS
  ratio = 1            # 1:1 matching
)

# View matching summary
summary(ps_model)

Higit pa sa logistic regression, maraming pamamaraan ng machine learning ang maaaring mas madaling tantyahin ang mga marka ng propensity:

Hakbang 3: Pagtugmain ang mga Ginamot at Kontrol na Paksa

Kapag natantya na ang mga marka ng propensidad, ang susunod na hakbang ay ang pagpili ng angkop na algorithm ng pagtutugma. Ang pagpili ng algorithm ay maaaring makaapekto nang malaki sa iyong mga resulta, kaya napakahalagang maunawaan ang mga opsyon.

Ang Nearest-Neighbor Matching ang pinakakaraniwang pamamaraan. Ang bawat ginamot na paksa ay itinutugma sa kontrol na paksa na may pinakamalapit na propensity score. Ang paggamit ng caliper — isang pinakamataas na pinapayagang distansya sa pagitan ng mga pares na magkatugma — ay nakakaiwas sa hindi magandang pagtutugma. Inirerekomenda ni Austin (2011) ang lapad ng caliper na 0.2 standard deviations ng logit ng propensity score, na ipinakitang nakakapag-alis ng humigit-kumulang 98% ng bias sa mga nasukat na confounder.

Binabawasan ng Optimal Matching ang kabuuang distansya sa lahat ng magkatugmang pares nang sabay-sabay, sa halip na sakim na pagtutugma ng isang pares sa isang pagkakataon. Nagbubuo ito ng mga pandaigdigang optimal na pagtutugma ngunit masinsinang ginagamit sa pagkalkula para sa malalaking dataset.

Ang Full Matching ay lumilikha ng mga magkatugmang set na naglalaman ng kahit isang ginamot at isang kontrol na paksa, na may pabagu-bagong mga ratio ng pagtutugma. Napapanatili nito ang higit pa sa orihinal na sample at maaaring mapabuti ang kahusayan sa istatistika.

Ang Eksaktong Pagtutugma sa mga Pangunahing Baryabol na sinamahan ng pagtutugma ng propensity score ay nagsisiguro ng perpektong balanse sa mga kritikal na covariate (hal., kasarian, lugar ng pag-aaral) habang ginagamit ang propensity score upang balansehin ang mga natitirang baryabol.

# Different matching methods in MatchIt

# 1:1 Nearest neighbor with caliper
m_nn <- matchit(treatment ~ covariates, data = df,
                method = "nearest", caliper = 0.2)

# Optimal matching
m_opt <- matchit(treatment ~ covariates, data = df,
                 method = "optimal")

# Full matching
m_full <- matchit(treatment ~ covariates, data = df,
                  method = "full")

# Exact matching on sex + PS matching on rest
m_exact <- matchit(treatment ~ covariates, data = df,
                   method = "nearest", exact = ~ sex)

Hakbang 4: Suriin ang Balanseng Covariate

Ito na marahil ang pinakamahalagang hakbang sa pagtutugma ng propensity score — at ang pinakamadalas na hindi sapat na naisasagawa. Pagkatapos ng pagtutugma, dapat mong mahigpit na beripikahin na ang mga covariate ay balanse sa pagitan ng mga treatment group.

Ang gintong sukatan ng pamantayan ay ang Standardized Mean Difference (SMD) . Ang isang SMD na mas mababa sa 0.1 (na kumakatawan sa mas mababa sa 10% ng pagkakaiba sa standard deviation) ay malawakang itinuturing na ebidensya ng katanggap-tanggap na balanse. Hindi tulad ng mga p-value, ang mga SMD ay hindi apektado ng laki ng sample, kaya mas angkop ang mga ito para sa pagtatasa ng balanse.

# Comprehensive balance assessment with cobalt
library(cobalt)

# Balance table
bal.tab(ps_model, 
        thresholds = c(m = 0.1),  # SMD threshold
        un = TRUE)                 # Show unmatched comparison

# Love plot (visual balance assessment)
love.plot(ps_model, 
          threshold = 0.1,
          abs = TRUE,
          var.order = "unadjusted",
          title = "Covariate Balance Before and After Matching")

# Density plots for propensity score distribution
bal.plot(ps_model, var.name = "distance", 
         which = "both", type = "density")

Hakbang 5: Tantyahin ang mga Epekto ng Paggamot at Iulat ang mga Resulta

Gamit ang isang mahusay na balanseng tugmang sample, maaari mo na ngayong tantyahin ang mga epekto ng paggamot. Ang pangunahing pagtatantya sa PSM ay karaniwang ang Average Treatment Effect on the Treated (ATT) — ang average na epekto ng paggamot sa mga aktwal na nakatanggap nito.

Ang naaangkop na pagsusuring istatistikal ay depende sa uri ng iyong kinalabasan:

Pagsusuri ng Sensitivity para sa Unmeasured Confounding: Tinutugunan lamang ng PSM ang mga naobserbahang confounder. Dapat mong suriin kung gaano kasensitibo ang iyong mga resulta sa mga potensyal na unmeasured confounder. Dalawang malawakang ginagamit na pamamaraan ang Rosenbaum bounds (pagbibilang kung gaano kalakas ang kakailanganin ng isang unmeasured confounder upang mapawalang-bisa ang mga resulta) at ang E-value (ang minimum na lakas ng asosasyon na kakailanganin ng isang unmeasured confounder sa parehong paggamot at kinalabasan upang ipaliwanag ang naobserbahang epekto).

Mga Karaniwang Pagkakamali na Dapat Iwasan sa Pagtutugma ng Propensity Score

Batay sa sistematikong pagsusuri ng mga aplikasyon ng PSM sa mga medikal na journal, narito ang mga pinakamadalas na pagkakamaling nagagawa ng mga mananaliksik:

1. Pagsasama ng mga baryabol pagkatapos ng paggamot: Ang mga baryabol na nasukat pagkatapos ng pagtatalaga ng paggamot ay maaaring maapektuhan ng paggamot mismo, na nagdudulot ng bias sa pamamagitan ng labis na pagsasaayos o collider bias. Isama lamang ang mga covariate bago ang paggamot (baseline).

2. Hindi pagtatasa ng balanse ng covariate: Pag-uulat lamang ng propensity score model fit (hal., C-statistic) nang hindi sinusuri kung ang pagtutugma ng aktwal na nakamit na balanse ay hindi sapat. Palaging iulat ang mga SMD para sa lahat ng covariate.

3. Hindi pinapansin ang magkatugmang disenyo sa pagsusuri: Pagkatapos ng 1:1 na pagtutugma, ang datos ay ipares. Ang paggamit ng mga hindi nakapares na istatistikal na pagsubok ay hindi pinapansin ang istrukturang ito at maaaring magdulot ng mga maling standard error at p-value.

4. Hindi pag-uulat ng mga hindi magkatugmang paksa: Maraming pag-aaral ang nabigong ilarawan kung gaano karaming mga ginamot na paksa ang hindi magkatugma at kung sistematiko silang naiiba sa mga naitugmang paksa. Nakakaapekto ito sa pagiging pangkalahatan ng iyong pagtatantya ng ATT.

5. Paglaktaw sa mga pagsusuri sa sensitibidad: Ang mga journal at tagasuri ay lalong umaasa sa mga pagsusuri sa sensitibidad para sa hindi nasusukat na confounding. Kung wala ang mga ito, mas mahina ang iyong mga causal claim.

Pagtutugma ng Propensity Score vs. Iba Pang Paraan ng Causal Inference

Ang PSM ay isa sa ilang mga pamamaraan para sa paghihinuha ng sanhi mula sa datos ng obserbasyon. Ang pag-unawa kung kailan gagamitin ang bawat pamamaraan ay makakatulong sa iyo na piliin ang pinakaangkop na disenyo para sa iyong tanong sa pananaliksik.

Pag-uulat ng PSM: Ang STROBE Checklist

Kapag nag-uulat ng mga pagsusuri sa propensity score, sundin ang mga alituntunin ng STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) na may mga extension na partikular sa PSM. Dapat ilarawan ng iyong seksyon ng mga pamamaraan ang mga baryabol na kasama sa modelo ng propensity score at ang katwiran para sa kanilang pagpili, ang pamamaraang ginamit upang tantyahin ang mga propensity score, ang algorithm at mga parameter ng pagtutugma (lapad ng caliper, matching ratio), mga diagnostic ng balanse at mga threshold na ginamit, at ang analytical approach na isinasaalang-alang ang matched design.

Dapat iulat ng iyong seksyon ng mga resulta ang bilang ng mga paksa bago at pagkatapos ng pagtutugma, isang talahanayan ng mga baseline na katangian gamit ang mga SMD bago at pagkatapos ng pagtutugma, isang Love plot o katumbas na visualization ng balanse, ang tinantyang epekto ng paggamot gamit ang mga confidence interval, at mga resulta ng sensitivity analysis para sa hindi nasukat na confounding.

Mga Kagamitan at Software para sa Pagtutugma ng Iskor ng Propensidad

Sinusuportahan ng maraming software platform ang implementasyon ng PSM. Sa R , ang MatchIt package (Ho et al.) ang pinakakomprehensibo, na sumusuporta sa maraming paraan ng pagtutugma na may integrasyon sa cobalt package para sa pagtatasa ng balanse. Nag-aalok ang Stata ng teffects psmatch command na may built-in na balance diagnostics. Maaaring gamitin ng mga gumagamit ng Python ang causalinference at DoWhy libraries, habang ang SAS ay nagbibigay ng PROC PSMATCH sa bersyon 14.1 at mas bago.

Para sa mga mananaliksik na nagpaplano ng isang pag-aaral na PSM, napakahalagang matukoy ang sapat na laki ng sample. Ang Editverse Free Sample Size Calculator ay makakatulong sa iyo na tantyahin ang kinakailangang laki ng sample para sa iyong partikular na disenyo ng pag-aaral, na isinasaalang-alang ang inaasahang laki ng epekto, mga pagtutugma ng ratio, at inaasahang mga distribusyon ng covariate.

Propesyonal na Suporta sa Estadistika mula sa Editverse

Ang wastong pagpapatupad ng pagtutugma ng propensity score ay nangangailangan ng kadalubhasaan na sumasaklaw sa causal inference theory, statistical programming, covariate selection, at mga pamantayan sa metodolohiya sa pag-uulat. Kahit ang mga may karanasang mananaliksik ay maaaring makinabang mula sa gabay ng espesyalista, lalo na kapag nahaharap sa mga kumplikadong dataset, mga bihirang resulta, o mga desisyong klinikal na may mataas na pusta.

Nag-aalok ang Editverse ng komprehensibong serbisyo sa pagsusuring pang-estadistika na partikular na idinisenyo para sa mga mananaliksik sa medisina na nangangailangan ng ekspertong suporta sa mga disenyo ng obserbasyonal na pag-aaral. Ang aming pangkat ng mga biostatistician ay nagbibigay ng end-to-end na tulong — mula sa disenyo ng pag-aaral at pagbuo ng DAG hanggang sa pagtatantya ng propensity score, matching optimization, sensitivity analyses, at paghahanda ng mga talahanayan, numero, at ulat pang-estadistika na handa nang ilathala.

Nag-aalok din kami ng mga espesyalisadong serbisyo kabilang ang meta-analysis , suporta sa sistematikong pagsusuri , at komprehensibong pagkonsulta sa biostatistics para sa mga mananaliksik sa bawat yugto ng karera.

Mga sanggunian

1. Rosenbaum PR, Rubin DB. Ang pangunahing papel ng propensity score sa mga obserbasyonal na pag-aaral para sa mga sanhing epekto. Biometrika. 1983;70(1):41-55. doi:10.1093/biomet/70.1.41
2. Austin PC. Isang Introduksyon sa mga Paraan ng Propensity Score para sa Pagbawas ng mga Epekto ng Confounding sa mga Pag-aaral sa Obserbasyon. Multivariate Behavioral Research. 2011;46(3):399-424. doi:10.1080/00273171.2011.568786
3. Stuart EA. Mga pamamaraan ng pagtutugma para sa hinuha ng sanhi: Isang pagsusuri at pagtingin sa hinaharap. Agham Pang-estadistika. 2010;25(1):1-21. doi:10.1214/09-STS313
4. Brookhart MA, Schneeweiss S, Rothman KJ, et al. Pagpipilian ng baryabol para sa mga modelo ng marka ng propensidad. Amerikano Journal ng epidemiology. 2006;163(12):1149-1156. doi:10.1093/aje/kwj149
5. Ho DE, Imai K, King G, Stuart EA. MatchIt: Hindi Parametrikong Paunang Pagproseso para sa Parametrikong Hinuha ng Sanhi. Journal ng Statistical Software. 2011;42(8):1-28. doi:10.18637/jss.v042.i08
6. VanderWeele TJ, Ding P. Pagsusuri ng Sensitivity sa Pananaliksik sa Obserbasyon: Pagpapakilala sa E-Value. Mga salaysay ng Internal Medicine. 2017;167(4):268-274. doi:10.7326 / M16-2607
7. Ali MS, Groenwold RH, Belitser SV, et al. Ang pag-uulat ng pagpili ng covariate at pagtatasa ng balanse sa pagsusuri ng propensity score ay hindi pinakamainam: isang sistematikong pagsusuri. Journal of Clinical Epidemiology. 2015;68(2):122-131. doi:10.1016/j.jclinepi.2014.08.011
8. Lunt M. Ang pagpili ng angkop na caliper ay maaaring mahalaga para sa pagkamit ng mahusay na balanse sa pagtutugma ng propensity score. Amerikano Journal ng epidemiology. 2014;179(2):226-235. doi:10.1093/aje/kwt212